Reranking van teksten met Ollama en Qwen3 Embedding LLM - in Go

RAG implementeren? Hier zijn enkele codefragmenten in Golang..

Inhoud

Deze kleine Reranking Go-codevoorbeeld roept Ollama aan om embeddings te genereren voor de query en voor elk kandidaatdocument, en sorteer deze vervolgens aflopend op cosijnsimilariteit.

We hebben al een vergelijkende activiteit uitgevoerd - Reranking met embeddingmodellen, maar dat was in Python, met een ander LLM en bijna een jaar geleden.

Voor een complete gids over het bouwen van retrieval-augmented generation-systems, zie de Retrieval-Augmented Generation (RAG) Tutorial: Architectuur, Implementatie en Productiegids.

Nog een vergelijkbare code, maar met Qwen3 Reranker:

llamas van verschillende hoogtes - reranking met ollama

TL;DR

Het resultaat ziet er zeer goed uit, de snelheid is 0,128s per document. De vraag wordt meegeteld als een document. Ook sorteren en afdrukken is opgenomen in deze statistiek.

LLM-geheugengebruik: Ondanks dat de modelgrootte op het schijf (ollama ls) minder is dan 3GB

dengcao/Qwen3-Embedding-4B:Q5_K_M           7e8c9ad6885b    2.9 GB

In GPU VRAM neemt het (niet een beetje) meer ruimte in: 5,5GB. (ollama ps)

NAAM                                 ID              GROOTTE
dengcao/Qwen3-Embedding-4B:Q5_K_M    7e8c9ad6885b    5.5 GB 

Als je een GPU met 8GB hebt, zou het moeten werken.

Testen van Reranking met Embeddings op Ollama - Voorbeeldoutput

In alle drie de testgevallen was reranking met embedding met behulp van het dengcao/Qwen3-Embedding-4B:Q5_K_M Ollama-model geweldig! Zie het zelf.

We hebben 7 bestanden die teksten bevatten die beschrijven wat hun bestandsnaam zegt:

  • ai_introduction.txt
  • machine_learning.md
  • qwen3-reranking-models.md
  • ollama-parallelism.md
  • ollama-reranking-models.md
  • programming_basics.txt
  • setup.log

Testruns:

Rerankingtest: Wat is kunstmatige intelligentie en hoe werkt machine learning?

./rnk example_query.txt example_docs/

Gebruikt embeddingmodel: dengcao/Qwen3-Embedding-4B:Q5_K_M
Ollama basis-URL: http://localhost:11434
Verwerkt query-bestand: example_query.txt, bestemmingsmap: example_docs/
Query: Wat is kunstmatige intelligentie en hoe werkt machine learning?
7 documenten gevonden
Query-embedding extraheren...
Documenten verwerken...

=== RANKING OP SIMILARITEIT ===
1. example_docs/ai_introduction.txt (Score: 0,451)
2. example_docs/machine_learning.md (Score: 0,388)
3. example_docs/qwen3-reranking-models.md (Score: 0,354)
4. example_docs/ollama-parallelism.md (Score: 0,338)
5. example_docs/ollama-reranking-models.md (Score: 0,318)
6. example_docs/programming_basics.txt (Score: 0,296)
7. example_docs/setup.log (Score: 0,282)

7 documenten verwerkt in 0,899s (gemiddeld: 0,128s per document)

Rerankingtest: Hoe hanteert Ollama parallele verzoeken?

./rnk example_query2.txt example_docs/

Gebruikt embeddingmodel: dengcao/Qwen3-Embedding-4B:Q5_K_M
Ollama basis-URL: http://localhost:11434
Verwerkt query-bestand: example_query2.txt, bestemmingsmap: example_docs/
Query: Hoe hanteert Ollama parallele verzoeken?
7 documenten gevonden
Query-embedding extraheren...
Documenten verwerken...

=== RANKING OP SIMILARITEIT ===
1. example_docs/ollama-parallelism.md (Score: 0,557)
2. example_docs/qwen3-reranking-models.md (Score: 0,532)
3. example_docs/ollama-reranking-models.md (Score: 0,498)
4. example_docs/ai_introduction.txt (Score: 0,366)
5. example_docs/machine_learning.md (Score: 0,332)
6. example_docs/programming_basics.txt (Score: 0,307)
7. example_docs/setup.log (Score: 0,257)

7 documenten verwerkt in 0,858s (gemiddeld: 0,123s per document)

Rerankingtest: Hoe kunnen we de reranking van documenten met Ollama doen?

./rnk example_query3.txt example_docs/

Gebruikt embeddingmodel: dengcao/Qwen3-Embedding-4B:Q5_K_M
Ollama basis-URL: http://localhost:11434
Verwerkt query-bestand: example_query3.txt, bestemmingsmap: example_docs/
Query: Hoe kunnen we de reranking van documenten met Ollama doen?
7 documenten gevonden
Query-embedding extraheren...
Documenten verwerken...

=== RANKING OP SIMILARITEIT ===
1. example_docs/ollama-reranking-models.md (Score: 0,552)
2. example_docs/ollama-parallelism.md (Score: 0,525)
3. example_docs/qwen3-reranking-models.md (Score: 0,524)
4. example_docs/ai_introduction.txt (Score: 0,369)
5. example_docs/machine_learning.md (Score: 0,346)
6. example_docs/programming_basics.txt (Score: 0,316)
7. example_docs/setup.log (Score: 0,279)

7 documenten verwerkt in 0,882s (gemiddeld: 0,126s per document)

Go Broncode

Plaats alles in een map en compileer het als volgt:

go build -o rnk

Voel je vrij om het te gebruiken voor vermakelijke of commerciële doeleinden, of upload het naar GitHub als je wilt. MIT-licentie.

main.go

package main

import (
	"fmt"
	"log"
	"os"
	"sort"
	"time"

	"github.com/spf13/cobra"
)

var rootCmd = &cobra.Command{
	Use:   "rnk [query-bestand] [bestemmingsmap]",
	Short: "RAG-systeem met behulp van Ollama-embeddings",
	Long:  "Een eenvoudig RAG-systeem dat embeddings extrahiert en documenten rangschikt met behulp van Ollama",
	Args:  cobra.ExactArgs(2),
	Run:   runRnk,
}

var (
	embeddingModel string
	ollamaBaseURL  string
)

func init() {
	rootCmd.Flags().StringVarP(&embeddingModel, "model", "m", "dengcao/Qwen3-Embedding-4B:Q5_K_M", "Embeddingmodel om te gebruiken")
	rootCmd.Flags().StringVarP(&ollamaBaseURL, "url", "u", "http://localhost:11434", "Ollama basis-URL")
}

func main() {
	if err := rootCmd.Execute(); err != nil {
		fmt.Println(err)
		os.Exit(1)
	}
}

func runRnk(cmd *cobra.Command, args []string) {
	queryFile := args[0]
	targetDir := args[1]

	startTime := time.Now()

	fmt.Printf("Gebruikt embeddingmodel: %s\n", embeddingModel)
	fmt.Printf("Ollama basis-URL: %s\n", ollamaBaseURL)
	fmt.Printf("Verwerkt query-bestand: %s, bestemmingsmap: %s\n", queryFile, targetDir)

	// Lees query van bestand
	query, err := readQueryFromFile(queryFile)
	if err != nil {
		log.Fatalf("Fout bij het lezen van query-bestand: %v", err)
	}
	fmt.Printf("Query: %s\n", query)

	// Zoek alle tekstbestanden in bestemmingsmap
	documents, err := findTextFiles(targetDir)
	if err != nil {
		log.Fatalf("Fout bij het vinden van tekstbestanden: %v", err)
	}
	fmt.Printf("%d documenten gevonden\n", len(documents))

	// Extrahier embeddings voor query
	fmt.Println("Query-embedding extraheren...")
	queryEmbedding, err := getEmbedding(query, embeddingModel, ollamaBaseURL)
	if err != nil {
		log.Fatalf("Fout bij het ophalen van query-embedding: %v", err)
	}

	// Verwerk documenten
	fmt.Println("Documenten verwerken...")
	validDocs := make([]Document, 0)

	for _, doc := range documents {
		embedding, err := getEmbedding(doc.Content, embeddingModel, ollamaBaseURL)
		if err != nil {
			fmt.Printf("Waarschuwing: Embedding ophalen voor %s mislukt: %v\n", doc.Path, err)
			continue
		}

		similarity := cosineSimilarity(queryEmbedding, embedding)
		doc.Score = similarity
		validDocs = append(validDocs, doc)
	}

	if len(validDocs) == 0 {
		log.Fatalf("Geen documenten konden succesvol worden verwerkt")
	}

	// Sorteren op similariteitsscore (aflopend)
	sort.Slice(validDocs, func(i, j int) bool {
		return validDocs[i].Score > validDocs[j].Score
	})

	// Toon resultaten
	fmt.Println("\n=== RANKING OP SIMILARITEIT ===")
	for i, doc := range validDocs {
		fmt.Printf("%d. %s (Score: %.3f)\n", i+1, doc.Path, doc.Score)
	}

	totalTime := time.Since(startTime)
	avgTimePerDoc := totalTime / time.Duration(len(validDocs))

	fmt.Printf("\n%d documenten verwerkt in %.3fs (gemiddeld: %.3fs per document)\n",
		len(validDocs), totalTime.Seconds(), avgTimePerDoc.Seconds())
}

documents.go

package main

import (
	"fmt"
	"os"
	"path/filepath"
	"strings"
)

func readQueryFromFile(filename string) (string, error) {
	content, err := os.ReadFile(filename)
	if err != nil {
		return "", err
	}
	return strings.TrimSpace(string(content)), nil
}

func findTextFiles(dir string) ([]Document, error) {
	var documents []Document

	err := filepath.Walk(dir, func(path string, info os.FileInfo, err error) error {
		if err != nil {
			return err
		}

		if !info.IsDir() && isTextFile(path) {
			content, err := os.ReadFile(path)
			if err != nil {
				fmt.Printf("Waarschuwing: Kon bestand %s niet lezen: %v\n", path, err)
				return nil
			}

			documents = append(documents, Document{
				Path:    path,
				Content: string(content),
			})
		}

		return nil
	})

	return documents, err
}

func isTextFile(filename string) bool {
	ext := strings.ToLower(filepath.Ext(filename))
	textExts := []string{".txt", ".md", ".rst", ".csv", ".json", ".xml", ".html", ".htm", ".log"}
	for _, textExt := range textExts {
		if ext == textExt {
			return true
		}
	}
	return false
}

embeddings.go

package main

import (
	"bytes"
	"encoding/json"
	"fmt"
	"io"
	"net/http"
)

func getEmbedding(text string, model string, ollamaBaseURL string) ([]float64, error) {
	req := OllamaEmbeddingRequest{
		Model:  model,
		Prompt: text,
	}

	jsonData, err := json.Marshal(req)
	if err != nil {
		return nil, err
	}

	resp, err := http.Post(ollamaBaseURL+"/api/embeddings", "application/json", bytes.NewBuffer(jsonData))
	if err != nil {
		return nil, err
	}
	defer resp.Body.Close()

	if resp.StatusCode != http.StatusOK {
		body, _ := io.ReadAll(resp.Body)
		return nil, fmt.Errorf("ollama API-fout: %s", string(body))
	}

	var embeddingResp OllamaEmbeddingResponse
	if err := json.NewDecoder(resp.Body).Decode(&embeddingResp); err != nil {
		return nil, err
	}

	return embeddingResp.Embedding, nil
}

similarity.go

package main

func cosineSimilarity(a, b []float64) float64 {
	if len(a) != len(b) {
		return 0
	}

	var dotProduct, normA, normB float64

	for i := range a {
		dotProduct += a[i] * b[i]
		normA += a[i] * a[i]
		normB += b[i] * b[i]
	}

	if normA == 0 || normB == 0 {
		return 0
	}

	return dotProduct / (sqrt(normA) * sqrt(normB))
}

func sqrt(x float64) float64 {
	if x == 0 {
		return 0
	}
	z := x
	for i := 0; i < 10; i++ {
		z = (z + x/z) / 2
	}
	return z
}

types.go

package main

// OllamaEmbeddingRequest vertegenwoordigt de request-payload voor de Ollama embedding API
type OllamaEmbeddingRequest struct {
	Model  string `json:"model"`
	Prompt string `json:"prompt"`
}

// OllamaEmbeddingResponse vertegenwoordigt de respons van de Ollama embedding API
type OllamaEmbeddingResponse struct {
	Embedding []float64 `json:"embedding"`
}

// Document vertegenwoordigt een document met zijn metadata
type Document struct {
	Path    string
	Content string
	Score   float64
}